将药物-药物相互作用建模重新思考为可泛化的关系学习
机器学习
2026-01-23 v1 生物大分子
摘要
药物-药物相互作用（DDI）预测是药物发现和临床开发的核心，尤其是在多药并用日益普遍的背景下。尽管现有的计算方法在标准基准上表现出色，但它们通常无法泛化到现实的部署场景，在这些场景中，大多数候选药物对涉及未见过的药物，且已验证的相互作用稀缺。我们证明，在主流以分子为中心的DDI模型的嵌入空间中，邻近性并不可靠地对应于相互作用标签，因此简单地扩大模型容量无法改善泛化能力。为了解决这些局限性，我们提出了GenRel-DDI，一个可泛化的关系学习框架，它将DDI预测重新形式化为一个以关系为中心的学习问题，其中相互作用表示的学习独立于药物身份。这种关系层面的抽象能够捕捉可迁移的相互作用模式，从而泛化到未见过的药物和新的药物对。在多个基准上的大量实验表明，GenRel-DDI始终且显著地优于最先进的方法，在严格的实体分离评估中增益尤其大，突显了关系学习在鲁棒DDI预测中的有效性和实用价值。代码可在https://github.com/SZU-ADDG/GenRel-DDI获取。
引用
@article{arxiv.2601.15771,
title = {Rethinking Drug-Drug Interaction Modeling as Generalizable Relation Learning},
author = {Dong Xu and Jiantao Wu and Qihua Pan and Sisi Yuan and Zexuan Zhu and Junkai Ji},
journal= {arXiv preprint arXiv:2601.15771},
year = {2026}
}
备注
9 pages, 5 figures